Итеративная импутация
В предыдущем упражнении вы выполнили импутацию пропущенных значений в loan_data с помощью среднего. Однако на собеседовании по машинному обучению вас, скорее всего, спросят о более гибких методах импутации, которые используют другие признаки набора данных.
В этом упражнении вы попрактикуетесь в подходе на основе машинного обучения: пропущенные значения будут заполняться как функция остальных признаков с помощью IterativeImputer() из sklearn.impute. Это многомерный импутер, который оценивает каждый признак на основе всех остальных по принципу «round-robin».
Обратите внимание: эта функция считается экспериментальной, поэтому ознакомьтесь с документацией для получения дополнительной информации.
Вы находитесь на том же этапе пайплайна:
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Explicitly require this experimental feature
from sklearn.experimental import enable_iterative_imputer
# Now you can import normally from sklearn.impute
from sklearn.impute import IterativeImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(____=[____.____])